Dicionário de dados · snapshot 2026.09

Especificação do esquema relacional

Cinco tabelas, exportadas em CSV delimitado por barra vertical UTF-8 e em Apache Parquet, com colunas idênticas. Cada coluna de enriquecimento é preenchida a partir de uma fonte pública identificada, com uma junção documentada, ou é NULL. Não há valores padrão nem linhas de preenchimento.

Tabela	Linhas
`products`	18.583
`brands`	5.925
`ingredients`	46.973
`product_ingredients`	318.758
`ingredient_name_map`	55.426

1. brands

5.925 identidades de marca conforme registradas no Open Beauty Facts.

Campo	Tipo	Descrição	Exemplo
`brand_id`	`INTEGER`	Chave primária	`1`
`name`	`STRING`	Nome da marca conforme registrado na origem	`Laneige`

2. products

18.583 produtos, uma linha cada, todos com uma lista de ingredientes utilizável na embalagem.

Campo	Tipo	Descrição	Exemplo
`product_id`	`INTEGER`	Chave primária	`68597`
`brand_id`	`INTEGER`	FK → `brands.brand_id`. NULL quando o rótulo de origem não registra marca	`55`
`barcode_ean`	`STRING`	Código de barras GTIN / EAN	`4006381333931`
`name`	`STRING`	Nome do produto conforme registrado na origem	`Good Genes Lactic Acid Treatment`
`obf_categories_tags`	`STRING`	A própria lista de tags do Open Beauty Facts, unida com `;`, literalmente — presente em 12.860 de 18.583 produtos (69,2%), NULL quando a fonte não tem nenhuma	`en:hygiene;en:soaps`
`raw_ingredient_text`	`STRING`	A declaração não analisada, mantida literalmente para que a análise possa ser refeita	`Water, Glycerin, ...`
`created_at`	`STRING`	Data e hora da ingestão (ISO 8601)	`2026-07-02T14:01:48Z`

3. ingredients

Uma linha por nome INCI canônico distinto — 46.973 ao todo. Cada coluna derivada do CosIng só é preenchida quando o nome canônico teve correspondência exata de nome no inventário CosIng da Comissão Europeia; caso contrário, é NULL.

Campo	Tipo	Fonte	Descrição
`ingredient_id`	`INTEGER`	—	Chave primária
`inci_name`	`STRING`	canonicalização	O nome canônico em que cada token bruto do rótulo foi resolvido
`cosing_matched`	`INTEGER`	CosIng	`1` quando o nome canônico corresponde ao inventário. Condiciona todas as colunas CosIng abaixo
`cosing_ref_no`	`STRING`	CosIng	Número de referência CosIng
`cas_number`	`STRING`	CosIng	Número de registro CAS — somente do CosIng, nunca inferido
`ec_number`	`STRING`	CosIng	Número CE
`functions`	`STRING`	CosIng	Categorias funcionais do CosIng, multivaloradas, separadas por `;`
`chemical_description`	`STRING`	CosIng	Texto da descrição química / IUPAC do CosIng
`cosing_restriction`	`STRING`	CosIng	Referência da restrição, por exemplo, uma entrada do Anexo V
`cosing_update_date`	`STRING`	CosIng	Sempre `NULL` neste snapshot — a exportação não traz data de atualização
`annex_ii` … `annex_vi`	`FLOAT`	CosIng	Inclusão nos Anexos II (proibidas), III (restritas), IV (corantes), V (conservantes), VI (filtros UV)
`is_common_allergen`	`INTEGER`	Anexo III da UE	Sinalização de alergênico de fragrância da UE — veja a nota de método abaixo
`allergen_source`	`STRING`	Anexo III da UE	A lista de onde veio a sinalização
`comedogenic_rating`	`FLOAT`	authored	Classificação 0–5 para os ingredientes abrangidos pelo artigo citado; `NULL` nos demais casos
`is_fungal_acne_trigger`	`FLOAT`	rule	Sinalização derivada de regra — uma heurística, não uma propriedade medida
`rating_source`	`STRING`	authored / rule	A citação ou o texto da regra, por linha, por trás das duas colunas acima

Cobertura medida das colunas CosIng

Coluna	Percentual dos 46.973 nomes distintos	Percentual das 318.758 ocorrências em rótulos
Correspondência CosIng (qualquer)	11,0%	82,5%
`functions`	10,9%	81,5%
`cas_number`	8,3%	76,4%
`chemical_description`	8,5% · 3.965 valores distintos	—

A coluna da esquerda conta nomes distintos; a da direita conta ocorrências de ingredientes nos rótulos dos produtos. Elas diferem em uma ordem de grandeza porque um corpus de rótulos contém muito mais strings distintas — variantes botânicas, grafias multilíngues, tokens de marketing — do que qualquer inventário regulatório lista, enquanto as posições em um rótulo real são preenchidas, em sua esmagadora maioria, por ingredientes que o CosIng cobre. Nenhum dos dois números, isoladamente, descreve os dados. ec_number, cosing_restriction e as sinalizações dos Anexos são preenchidos apenas no subconjunto com correspondência no CosIng, com taxas próprias — consulte o build_report.json incluído no arquivo.

Método — sinalizações de alergênicos. Apenas uma lista: os alergênicos de fragrância do Anexo III do Regulamento de Cosméticos da UE (Regulamento (CE) 1223/2009, alterado pelo Regulamento (UE) 2023/1545), com correspondência pelo nome canônico exato. 99 nomes são sinalizados. A FDA dos EUA ainda não publicou sua lista de alergênicos de fragrância da MoCRA; por isso, este conjunto de dados não traz sinalização dos EUA.

Método — classificações comedogênicas. 145 ingredientes têm classificação na escala 0–5, transcrita da Tabela I (pp. 324–326) de Fulton JE Jr., Comedogenicity and irritancy of commonly used ingredients in skin care products, J Soc Cosmet Chem 1989;40:321–333. Quando o artigo traz uma faixa em vez de um grau único, a classificação fica NULL. A ausência de classificação significa "não coberto pela fonte citada", nunca "seguro".

Método — sinalização de acne fúngica. Uma heurística derivada de regras, não uma propriedade medida: não existe ensaio de Malassezia por ingrediente que possa ser transcrito. A regra sinaliza ácidos graxos C11–C24 e seus ésteres, e polissorbatos 20/40/60/80, aplicada somente a ingredientes com correspondência no CosIng, gerando 270 sinalizações. Base: Saunte et al., Front Cell Infect Microbiol 2020 (DOI 10.3389/fcimb.2020.00112), com a faixa de comprimento de cadeia de Liebregts et al., FEMS Yeast Res 2025 (DOI 10.1093/femsyr/foaf043). Óleos, manteigas e ceras específicos não são sinalizados — a literatura não sustenta conclusões por ingrediente sobre eles.

4. product_ingredients

318.758 vínculos de composição ordenados, preservando a ordem em que os ingredientes são declarados no rótulo.

Campo	Tipo	Descrição	Exemplo
`product_id`	`INTEGER`	FK → `products.product_id`	`68597`
`ingredient_id`	`INTEGER`	FK → `ingredients.ingredient_id`	`1214`
`position_index`	`INTEGER`	Posição no rótulo (contando a partir de 1); quanto menor, mais cedo foi declarado, ou seja, maior a proporção	`1`
`concentration_percentage`	`STRING`	Sempre `NULL` neste snapshot — os rótulos quase nunca declaram percentuais

5. ingredient_name_map

55.426 linhas: a evidência da canonicalização, fornecida com os dados para que cada decisão tomada pelo pipeline possa ser auditada ou substituída.

Campo	Tipo	Descrição	Exemplo
`raw_name`	`STRING`	O token tal como aparecia em `products.raw_ingredient_text`	`AQUA (WATER)`
`canonical_name`	`STRING`	O nome INCI canônico em que foi resolvido	`AQUA`
`method`	`STRING`	Como foi resolvido — veja abaixo	`paren_stripped`
`confidence`	`FLOAT`	Confiança associada ao método	`0.9`
`ingredient_id`	`INTEGER`	FK → `ingredients.ingredient_id`	`162`

method	Significado
`exact`	O token limpo já é um nome do inventário CosIng
`cleaned`	Resolvido após decodificação de entidades, remoção de caracteres e colapso de espaços em branco
`typo_map`	Resolvido por meio de uma pequena tabela explícita de erros de digitação, com citação
`percent_stripped`	Um percentual declarado foi removido
`paren_stripped`	Um trecho entre parênteses foi removido
`synonym_map`	Resolvido por meio de uma tabela explícita de sinônimos
`slash_variant`	Uma variante multilíngue unida por barra
`split`	Um token aglutinado dividido em dois nomes, ambos com correspondência no inventário
`unresolved`	Sem correspondência canônica — mantido literalmente e sinalizado, nunca adivinhado

unresolved é o maior grupo por token distinto e um grupo pequeno por ocorrência nos rótulos — o mesmo efeito de cauda longa que produz as duas colunas de cobertura acima.